让机器人的交互界面像手机一样直观，Enigma获7100万美元种子融资
目前，有很多具身智能领域的创业公司，在机器人的智能提升方面努力，他们做的是怎么让机器人更聪明，更会干活。但机器人要进入更广泛的应用场景，并且做更“精细”的活，还需解决一个问题：交互界面。
现有的机器人交互界面，仍未收敛，有遥操，编程（多用于工业机器人），自然语言语音交互，手势交互，GUI App（多用于家用清洁机器人）等。哪一种界面最适合家用的？哪一种最有利于机器人与普通人进行精细协作？一家叫Enigma的初创公司正在探索这个问题的解法。
它的创始人Jonathan Jacobi表示：“Enigma正在开发AI模型，为任何机器人赋予智能；打造交互界面，让操作变得简单易用。让使用机器人像使用笔记本电脑或智能手机一样直观。”
创业不到一年，Enigma完成7100万美元种子轮融资，由Index Ventures和Ribbit Capital领投，Conviction以及来自OpenAI、Anthropic、DeepMind、xAI、Cognition、Factory和Wiz的创始人与核心研究员跟投。
具身模型的智能再强，没有合适的交互界面，也很难实现大众化普及
Enigma由Jonathan Jacobi和Gal Niv联合创立，Jonathan Jacobi少年时期便成为微软史上最年轻的员工，在微软期间曾被Wiz创始人Assaf Rappaport招募；Gal用一年时间修完四年大学课程，17岁时就加入网络安全初创公司。 尽管他们不是AI的科班出身（此前主要是做安全），但他们已经组织了一个强大的团队，成员包括在AI、数学、物理、网络安全和机器人领域拥有多年研究经验的研究员和工程师。
Enigma的两位创始人，来源：Enigma
交互界面有多重要？翻看一下苹果的历史，它的崛起就和它引领的两次交互革命有关；1984年，它推出使用GUI的Macintosh，推动个人电脑进入图形界面时代；2007年，它推出采用多点触控的iPhone，引领了移动互联网革命。
而在此前无论是PC还是手机，其实都具有了雏形，算力（或者说智力）在当时也都不差，但它们能真正普及的关键，还是在于交互界面。
Enigma的联合创始人Jonathan Jacobi显然认为这个道理在具身智能行业也适用，他表示：“无论机器人能力多强，如果操作不够直观，大多数人都不会去使用。如果你要洗碗，却得花15分钟向机器人解释每样东西该放哪，所有人最后都会想‘算了，我自己来吧’。现在所有公司都在这个阶段，哪怕用的是能力最强的模型。
如果调节音量不能直接旋钮，而是必须按固定百分比输入数值，且不知道最终声音是太大还是太小，用户会倍感挫败。”
Enigma为了探索如何构建直观的人机交互界面，针对普通人推出了一项大规模实验：部署100多台自研AI机器人任何人都能在线实时使用。借助Enigma的模型和交互界面，用户可以指挥机器人完成任务并操作物理对象，包括用画笔画画、持剑对打，以及抓取和混合液体烧杯进行简单化学实验等任务。Enigma表示，其机械臂和底层模型均为完全自主研发。
Enigma希望从这个在线实验中收集的数据，优化模型，并且最终找到一种最适合的机器人的人机交互界面。而且从现在的技术栈看，这个交互界面，很可能不是一个独立于模型的“外壳”，而是与它的模型一起训练。也就是说，Enigma的机器人基础模型，很可能是一个基于交互界面优化的端到端模型。
因为公司仍处在早期阶段，Enigma目前尚未发布可供外部使用的模型，交互界面也还在探索中。不过从公司发布的技术博客和创始人此前的论文看，团队对物理AI底层模型的研究已经相当深入。
首先，他们的着眼点之一是世界模型，并研究了一种名为Multiverse的多人世界模型。
现有世界模型大多围绕单个智能体展开，根据历史画面和当前动作预测接下来会发生什么。但现实环境里往往同时存在人、机器人、车辆和其他设备，模型还需要理解其他智能体的行为，以及彼此的动作如何共同改变环境。
Multiverse以游戏《GT赛车4》的双车竞速为实验场景，同时接收两名玩家的视角和动作，并预测双方接下来看到的画面。难点在于维持共享世界的一致性：两辆车的位置、相对运动和碰撞结果，必须在两个视角中相互吻合。
Enigma将双方画面沿颜色通道堆叠，让两个视角从扩散模型的第一层开始共同参与计算；同时通过稀疏时间采样和课程学习，在控制计算量的情况下，将预测范围逐步扩展到最长15秒的多人交互。
Multiverse的研究原型展示了一条新的技术路径：世界模型可以把多个视角、多个动作和一个共享环境放进同一次预测中。对于家用机器人、自动驾驶和工业机器人，这种能力可能是理解协作、避障和多智能体交互的重要基础。
此后，团队继续研究如何让机器人对世界形成直观理解。为此，他们探索一种紧凑的世界表征：信息足够丰富，可以支持不同任务；体量又足够小，能够用于快速规划，并将研究写成技术博客《The Obsessed Encoder》。
团队发现，DINOv3、LeJEPA和LeWM等现代JEPA系统，仍会优先学习视频中的慢变特征或图像里少量、容易预测的信息。实验中，一个只有12比特信息的微弱水印，就能主导1024维潜在空间；在RandGoal机器人任务中，模型也会过度编码单段轨迹内保持不动的目标姿态。训练损失继续下降，规划成功率却仍接近随机水平。
Multiverse与团队对紧凑世界表征的研究，分别从多智能体预测和任务相关信息提取两个方向，探索机器人如何形成对现实环境的理解。从这些研究，可以看出团队的基本思路：模型既要理解多个主体如何共同改变环境，也要在有限的表示空间中保留真正有助于规划和任务执行的信息。
物理AI仍在早期阶段，卷智能后的下一步是找交互界面
AGI若要走向更完整的形态，最终需要进入物理世界。
李飞飞把今天的语言模型比作“黑暗中的文字工匠”；Yann LeCun认为，机器需要形成对世界运行规律的内部模型，才能获得更强的推理与规划能力；Demis Hassabis则直言，“真正通用的AI需要理解物理世界”。这些判断指向同一件事：AGI不能只停留语言和数字空间，还需要理解物理世界、预测其变化，并进一步具备与现实环境交互的能力。
作为物理AI的代表形式之一，具身智能仍处在早期阶段，但行业已经开始沿着智能能力继续向下一层推进，逐步关注精细操作、跨任务通用能力和更自然的人机交互界面。
交互界面决定一项技术能否从能力展示走向真实使用和大众普及。机器人要进入家庭和公共空间，需要让普通用户能够低门槛地布置任务、确认意图、随时纠正，并在必要时接管。
具身智能的交互界面何时收敛，很可能就是行业真正成熟的时间点。当用户能够以稳定、低门槛的方式使用机器人，产品定义、使用习惯和服务生态才会逐步固定，企业也才有条件降低交付成本、复制规模，并进入大规模商业化。
目前，机器人交互还没有形成统一答案。1X仍同时依赖语音、App、VR遥控和人工专家，Google把自然语言、执行中纠正和行为解释放在核心位置，Enigma则尝试让每次交互继续沉淀为训练数据，并用于训练端到端机器人模型。
这个领域的创业机会未必属于某一种单独界面，更可能出现在任务布置、意图确认、过程纠正和必要接管这些尚未解决的环节。谁先让普通人真正把机器人用起来，谁就更接近定义具身智能的规模化入口。
本文来自微信公众号 “阿尔法公社”（ID：alphastartups），作者：发现非凡创业者的，36氪经授权发布。
